R - Спецификация модели для повторных измерений GLMM (lme4)

Question

У меня возникли проблемы с правильной установкой моей продольной модели в R. Мой анализ рассматривает гендерные различия в оценке, оцениваемой в три момента времени. По сути, я хочу видеть, имеет ли какой-либо пол последовательно более высокие баллы и/или другой темп изменения. Я понимаю, что я пытаюсь понять, отличается ли перехват и/или наклон между полами, но я не уверен, как структурировать модель/что вводить как фиксированный или случайный эффект.

Небольшой пример моих данных:

'data.frame': 108 obs. of 10 variables: 
$ PNumber : Factor w/ 36 levels "P1002","P1004",..: 1 1 1 2 2 2 3 3 3 4 ... 
$ Sex  : Factor w/ 2 levels "Female","Male": 1 1 1 1 1 1 1 1 1 2 ... 
$ Visit : Factor w/ 3 levels "V1","V2","V3": 1 2 3 1 2 3 1 2 3 1 ... 
$ V1  : int 1 0 0 1 0 0 1 0 0 1 ... 
$ V2  : int 0 1 0 0 1 0 0 1 0 0 ... 
$ V3  : int 0 0 1 0 0 1 0 0 1 0 ... 
$ TD  : num 0 0 0.1818 0.0909 0.3636 ... 

Где TD 'является измеренным оценка, «PNumber» является переменной ID, и «Визит» обозначает событие измерения.

Из того, что я понимаю, модель для проверки разницы в отрезках:

m1 <- lmer(TD ~ Sex + Visit + (1|PNumber), data=data) 

И для склонов:

m2 <- lmer(TD ~ Sex * Visit + (1+Sex|PNumber), data=data) 

сделать эти модели захвата, что я пытаюсь оценить?

Я очень благодарен за любую помощь в правильном направлении. У меня есть только базовое понимание R, которое я собрал вместе в последние несколько недель, поэтому я извиняюсь, если мне не хватает чего-то очень простого.

Answer 1

Таким образом, группы уровня 1 являются повторными мерами (посещение), а группы уровня 2 - индивидами (PNumber). Вот что я хотел бы сделать (я думаю, что вы близки):

Начало безусловной модели:

m1 <- lmer (TD ~ Visit + (~1|PNumber), data=data) 

Затем, позволяют изменить в течение долгого времени, чтобы быть случайным на уровне-2:

m2 <- lmer (TD ~ Visit + (~Visit|PNumber), data=data) 

Затем добавьте пол к модели:

m3 <- lmer (TD ~ Visit + Gender + (~Visit|PNumber), data=data) 

Это обеспечит смету с фиксированными эффектами для пола, что те Если вы являетесь существенным предиктором в отношении более высоких баллов, то вы хотите.

Затем добавить взаимодействие между изменением с течением времени и пола:

m4 <- lmer (TD ~ Visit + Gender + Visit*Gender (~Visit|PNumber), data=data) 

Это обеспечит смету фиксированных эффектов для взаимодействия между изменением с течением времени и полом, что говорит вам, является ли скорость изменения в отношении до баллов значительно отличается между полами.